黎曼是高斯的学生,因为他的工作,高斯在他有生之年看到了自己隐晦的梦想得以实现:在一个更为坚实的基础上重建几何大厦
那时,黎曼对于纯数学和数学物理是双重兴趣,他如此沉醉的沉浸于探究所有物理定律的统一
黎曼着手用几何扭曲的性质构想一个能描述所有物理现象的东西,这些兼具抽象的空间关系和切实的物理属性的知识让黎曼迸发出激情。他的这种想法,要早于爱因斯坦、卡鲁扎等人半个世纪以上
在黎曼几何中,任何流形(manifold)的任何区域都能够被弯曲。简单的解释,流形就是点的集合,每一个点由一组代表坐标的数来表征
但因为他的媒介只有空间而不是时空,他的方案注定失败。不过无论如何,他的成果成为爱因斯坦工作的框架(时空是由一种叫作伪黎曼流形(Pseudo-Riemannian manifold)的数学概念来描述的),爱因斯坦用它构建了奇迹般的广义相对论的大厦
《伟大的超越》[美] 保罗·哈尔彭,p.29-p.34
微分几何(differential geometry)作为一个独特学科的出现一般归功于高斯和黎曼
Differential geometry originally sneaked into theoretical physics through Einstein's theory of general relativity.
—— William L. Burke
微分几何最初是通过爱因斯坦的广义相对论悄然进入理论物理学的。
——威廉·l·伯克
Physics, mathematics, reality.
This intricate figure caught my eye today. It was sent to me by @duda_jarek.
Source: “Framework for liquid crystal based particle models,” by Jarek Duda. Free PDF: https://t.co/SmW3gA1pO4
Anthropic 研究人员刚刚证实,利用 AI 学习新技能会导致掌握程度下降 17%。但实际情况绝不是你想象的。
论文标题是《AI 如何影响技能养成》。这是一项随机实验,涉及 52 名专业开发人员。任务是使用他们从未接触过的 Python 库进行真实的编程。一半人配备了 AI 助手,另一半则没有。
AI 组在技能评估中的得分低了 17%。p 值为 0.010。所以这个差异是有统计学意义的。
更扎心的是:AI 组的速度甚至没有变得更快。他们学到的东西更少,而且并未节省时间。但是,如果你因此开始在网上传播“AI 不利于学习”这一论调,你就错失了论文中真正的重点。
研究人员查看了每一位参与者的屏幕录像。他们发现人们在学习新事物时使用 AI 的 6 种不同模式。其中 3 种模式有助于保持学习效果,另外 3 种则会破坏学习效果。两者之间的差距是巨大的。只向 AI 询问概念性问题的参与者,在评估中得分高达 86%。
而把一切都甩给 AI 的参与者,得分仅为 24%。
同样的工具,同样的任务,同样的时间限制。区别在于认知参与度。得分最高的 AI 用户实际上表现得比无 AI 组还要好。他们问的是“为什么这样行得通”,而不是“替我写这段代码”。他们生成代码后会追问以便理解。他们将 AI 视为思考伙伴,而非思考的替代品。
得分最低的一组做的是:粘贴提示词,复制输出结果,然后继续下一步。他们完成得最快。但他们几乎什么也没学到。
还有一个发现值得每一位工程经理的警惕:得分差距最大的是调试类问题。当你监管 AI 最需要的那项技能,恰恰也是当你让 AI 代劳时退化得最快的技能。
不用AI的对照组在任务执行过程中犯了更多错误。他们遇到了各种 bug。但这番挣扎,恰恰构建了他们的理解。错误并非学习的障碍。错误本身就是学习。用 AI 消除错误,也就消除了建立能力的机制。
AI 组的参与者在事后坦言,希望自己当时能“更用心一点”,并觉得自己的做法很“懒惰”。其中一人写道:“我的理解还有很多漏洞。” 他们能感受到那种完成了任务却不知其所以然的空虚感。这不是生产力的胜利,而是技术债。
这篇论文并非反对使用 AI,而是反对无意识地使用 AI。实际的结论很简单:如果你在学习新东西,请用 AI 来提问,而不是用它来逃避工作。
那份挣扎,才是成果所在。